建立以人為本的智慧醫療

講者／王偉仲（國立臺灣大學應用數學科學研究所教授）｜彙整／葉珊瑀
整理自2020.10.06「AI報你知」校園講座．同名

醫學演進與人工智慧發展

1912年，美國醫師 Richard Clarke Cabot 所撰寫的 Case Histories in Medicine: Illustrating the Diagnosis, Prognosis and Treatment of Disease，統整出醫學的三大關鍵問題：診斷（diagnosis）、預後（prognosis）、治療（treatment）。時至今日，醫師在看診時仍不離這三大核心。從病患進入診間，醫師看診、檢測病人狀態，據此作出診斷，並評估疾病之後的預後發展，最後決定合適的治療方式。

除了這個行之有年的醫療形式，隨著蒐集的臨床資料量變多、演算法更先進、電腦運算速度加快，利用演算法與高速計算處理與分析臨床資料，協助醫師進行診斷、評估預後、決定治療方式的模式，近年更有爆發性的成長，許多智慧醫療相關的新創公司如雨後春筍般成立，學術上也有許多相關論文發表。

實務應用上，醫師能夠在獲得醫學影像資料後，透過人工智慧技術的輔助，自動圈選出欲觀察部位及病灶，省去以肉眼在茫茫資料海中查找問題點所需的時間，降低其工作負擔。而當人工智慧（artificial intelligence，AI）偵測出可疑的病灶時，醫師將以其醫學專業進行最後判斷，使珍貴的醫療人力得到最有效的運用。

然而，AI 在使用上也有其限制性，其中，訓練 AI 模型的資料來源就是一大關鍵。舉例而言，若當初是以台灣人的醫療影像資料，所訓練與建構而成的 AI 模型，直接套用在歐美人士身上，由於存在人種差異，可能就會提高誤判的機率。

智慧醫療面臨的倫理議題

所謂「以人為本」，是指「以人為主體，為人帶來健康福祉」。舉例來說，2020 年王教授所創立的國立臺灣大學 MeDA 實驗室（http://meda.ai），也加入了 COVID-19 的大規模跨國研究計畫，目的在透過 AI 技術，輔助醫師判斷新冠肺炎的病患未來是否會使用到呼吸器，最終 AI 模型有高達 94 % 的準確率，研究成果也發表於國際頂級期刊。然而，在實際的臨床場域中，智慧醫療面對的不僅是技術問題，尚有其他衍伸的議題需要考量，其中，生命倫理就是很關鍵的部分。

以這個 COVID-19 的研究計畫為例，我們必須反思這個研究成果將帶來什麼影響？若 AI 系統預測需要使用的呼吸器數量，大於醫院的負荷量，資源該如何分配？亦或是被 AI 系統判斷預後較差的病患，是否還要進行救援？智慧醫療的實現，必須納入對人的核心關懷，同時加入生命倫理的思考。另外一個例子是，為避免諸多倫理爭議，也必須在資料取得與隱私權之間取得平衡。因此，目前用來訓練 AI 模型的醫療數據，都會先進行「去識別化」的工作，以保障病患隱私。

智慧醫療的契機與實踐

王教授以「醫學影像鏈結」（Quantitative Medical Imaging Chain）來總結智慧醫療的契機與應用。智慧醫療是一個跨界合作的領域，例如：X 光的成像原理有相應的物理專業；顯影劑需要一定的生物化學知識；取像設備則與工程學相關；醫療影像數據分析本身，同時結合醫學、數學、統計、資料科學及程式語言等跨域科學及技術。智慧醫療應用存在著許多機會，例如：如何減輕醫師的工作量、如何輔助醫師提高診斷精準度、如何讓醫療資源分配更平均，使偏遠地區也能得到高品質的醫療照護。

另一方面，醫療 AI 並不能完全取代醫師的工作，而是成為醫師的助手及工具，在這個觀點上，智慧醫療是一個轉型的過程，需要長期的投入且不斷追求進步，其中最關鍵的工作是釐清臨床醫師的需求及其使用情境，進而思考如何將 AI 技術無縫地融入臨床工作流程與場域，並持續動態調整。此外，還需積極與醫師、護理師、病患、行政管理、資訊室等各方利害關係人溝通討論，建立信任關係，智慧醫療才得以逐步實踐。

(本文為教育部「人工智慧技術及應用人才培育計畫」成果內容)